Курс за обучение по XGBoost for Gradient Boosting
XGBoost е алгоритъм, базиран на решението. Той използва градиент-бустинг рамка за решаване на проблеми с прогнозата, включващи неструктурирани данни като изображения и текст. Gradient boosting също е популярна техника за ефективно моделиране на таблични данни.
Това обучение, ръководено от инструктори (онлайн или онлайн) е насочено към учени на данни, които искат да използват XGBoost за изграждане на модели, които ефективно решават проблемите с регресията, класирането, рангирането и прогнозата.
В края на обучението участниците ще могат да:
- Инсталиране и конфигуриране на XGBoost.
- Разберете връзката между дърветата на решенията и други алгоритми като логистична регресия и случайни гори.
- Тествайте различни библиотеки, за да определите най-добрия за работата.
- Изберете правилната конфигурация за алгоритъм.
- Направете хиперпараметрите на алгоритъм за даден набор от данни.
- Извършване на решение за машинно обучение, което балансира мощността с сложност, обясненост и лекота на прилагане.
Формат на курса
- Интерактивна лекция и дискусия.
- Много упражнения и упражнения.
- Изпълнение на ръката в живо лабораторна среда.
Опции за персонализиране на курса
- За да поискате персонализирано обучение за този курс, моля, свържете се с нас, за да организирате.
План на курса
Въведение
- Изкуствени невронни мрежи срещу алгоритми, базирани на дърво на решенията
Преглед на функциите на XGBoost
- Елементи на алгоритъм за градиентно усилване Фокус върху изчислителната скорост и производителност на модела XGBoost срещу логистична регресия, Random Forest и стандартно градиентно усилване
Еволюцията на дървовидните алгоритми
- Дървета на решенията, пакетиране, Random Forest, усилване, градиентно усилване Оптимизация на системата Алгоритмични подобрения
Подготовка на околната среда
- Инсталиране на SciPy и scikit-learn
Създаване на XGBoost модел
- Изтегляне на набор от данни Решаване на често срещан проблем с класификацията Обучение на модела XGBoost за класификация Решаване на обща задача за регресия
Мониторинг на ефективността
- Оценяване и отчитане на ефективността Ранно спиране
Изчертаване на функции по важност
- Изчисляване на важността на характеристиките Решаване кои входни променливи да се запазят или отхвърлят
Конфигуриране на градиентно усилване
- Преглед на кривите на обучение за набори от данни за обучение и валидиране Регулиране на скоростта на обучение Регулиране на броя на дърветата
Хиперпараметрична настройка
- Подобряване на производителността на XGBoost модел Проектиране на контролиран експеримент за настройка на хиперпараметри Searchкомбинации от параметри
Създаване на тръбопровод
- Включване на XGBoost модел в тръбопровод за машинно обучение от край до край Настройка на хиперпараметри в конвейера Разширени техники за предварителна обработка
Отстраняване на неизправности
Обобщение и заключение
Изисквания
- Опит в писането на модели за машинно обучение
Публика
- Учени по данни
- Инженери за машинно обучение
Отворените курсове за обучение изискват 5+ участници.
Курс за обучение по XGBoost for Gradient Boosting - Booking
Курс за обучение по XGBoost for Gradient Boosting - Enquiry
XGBoost for Gradient Boosting - Консултантско запитване
Upcoming Courses
Свързани Kурсове
H2O AutoML
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, които желаят да използват H2O AutoML за автоматизиране на процеса на изграждане и избор на най-добрия алгоритъм и параметри за машинно обучение.
До края на това обучение участниците ще могат:
- Автоматизирайте работния процес на машинно обучение.
- Автоматично обучавайте и настройвайте много модели за машинно обучение в рамките на определен период от време.
- Обучете подредени комплекти, за да стигнете до силно предсказуеми модели на ансамбли.
AutoML with Auto-sklearn
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към практикуващи машинно обучение, които желаят да използват Auto-sklearn за автоматизиране на процеса на избор и оптимизиране на модел за машинно обучение.
До края на това обучение участниците ще могат:
- Автоматизирайте процеса на обучение на високоефективни модели за машинно обучение.
- Изграждайте високоточни модели за машинно обучение, като същевременно заобикаляте по-досадните задачи по избор, обучение и тестване на различни модели.
- Използвайте силата на машинното обучение за решаване на бизнес проблеми от реалния свят.
AutoML with Auto-Keras
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, както и към по-малко технически лица, които желаят да използват Auto-Keras за автоматизиране на процеса на избор и оптимизиране на модел за машинно обучение.
До края на това обучение участниците ще могат:
- Автоматизирайте процеса на обучение на високоефективни модели за машинно обучение.
- Автоматично търсене на най-добрите параметри за модели за дълбоко обучение.
- Изградете високоточни модели за машинно обучение.
- Използвайте силата на машинното обучение за решаване на бизнес проблеми от реалния свят.
Introduction to Stable Diffusion for Text-to-Image Generation
21 ЧасаТова водено от инструктор обучение на живо (онлайн или на място) е насочено към специалисти по данни, инженери по машинно обучение и изследователи на компютърно зрение, които желаят да използват Stable Diffusion за генериране на висококачествени изображения за различни случаи на употреба.
До края на това обучение участниците ще могат:
- Разберете принципите на Stable Diffusion и как работи за генериране на изображения. Изградете и обучете Stable Diffusion модели за задачи за генериране на изображения. Приложете Stable Diffusion към различни сценарии за генериране на изображения, като вписване, изрисуване и превод от изображение към изображение. Оптимизирайте производителността и стабилността на Stable Diffusion модели.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни на средно до напреднало ниво, инженери по машинно обучение, изследователи в дълбокото обучение и експерти по компютърно зрение, които желаят да разширят знанията и уменията си в дълбокото обучение за генериране на текст към изображение.
До края на това обучение участниците ще могат:
- Разберете усъвършенствани архитектури за дълбоко обучение и техники за генериране на текст към изображение. Внедрете сложни модели и оптимизации за висококачествен синтез на изображения. Оптимизирайте производителността и скалируемостта за големи набори от данни и сложни модели. Настройте хиперпараметрите за по-добра производителност и обобщение на модела. Интегрирайте Stable Diffusion с други рамки и инструменти за дълбоко обучение
AlphaFold
7 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към биолози, които искат да разберат как AlphaFold работи и да използват AlphaFold модели като ръководства в своите експериментални изследвания.
До края на това обучение участниците ще могат:
- Разберете основните принципи на AlphaFold.
- Научете как работи AlphaFold.
- Научете как да интерпретирате AlphaFold прогнози и резултати.
TensorFlow Lite for Embedded Linux
21 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за внедряване на модели за дълбоко обучение на вградени устройства.
До края на това обучение участниците ще могат:
- Инсталирайте и конфигурирайте Tensorflow Lite на вградено устройство.
- Разберете основните концепции и компоненти TensorFlow Lite.
- Конвертирайте съществуващи модели във формат TensorFlow Lite за изпълнение на вградени устройства.
- Работете в рамките на ограниченията на малките устройства и TensorFlow Lite, докато се научавате как да разширите обхвата на операциите, които могат да се изпълняват.
- Внедрете модел на задълбочено обучение на вградено устройство, работещо под Linux.
TensorFlow Lite for Android
21 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за разработване на мобилни приложения с възможности за дълбоко обучение.
До края на това обучение участниците ще могат:
- Инсталирайте и конфигурирайте TensorFlow Lite.
- Разберете принципите зад TensorFlow, машинното обучение и дълбокото обучение.
- Заредете TensorFlow модели на устройство с Android.
- Активирайте функции за задълбочено обучение и машинно обучение, като компютърно зрение и разпознаване на естествен език в мобилно приложение.
Tensorflow Lite for Microcontrollers
21 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към инженери, които желаят да пишат, зареждат и изпълняват модели за машинно обучение на много малки вградени устройства.
До края на това обучение участниците ще могат:
- Инсталирайте TensorFlow Lite.
- Заредете модели за машинно обучение на вградено устройство, за да му позволите да открива реч, да класифицира изображения и т.н.
- Добавете AI към хардуерни устройства, без да разчитате на мрежова свързаност.
TensorFlow Lite for iOS
21 ЧасаТова водено от инструктор обучение на живо (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за разработване на мобилни приложения за iOS с възможности за дълбоко обучение.
До края на това обучение участниците ще могат:
- Инсталирайте и конфигурирайте TensorFlow Lite.
- Разберете принципите зад TensorFlow и машинното обучение на мобилни устройства.
- Заредете TensorFlow модели на iOS устройство.
- Стартирайте iOS приложение, способно да открие и класифицира обект, заснет от камерата на устройството.
Edge AI with TensorFlow Lite
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици на средно ниво, специалисти по данни и AI практици, които желаят да използват TensorFlow Lite за Edge AI приложения.
До края на това обучение участниците ще могат:
- Разберете основите на TensorFlow Lite и ролята му в Edge AI.
- Разработвайте и оптимизирайте AI модели с помощта на TensorFlow Lite.
- Разположете TensorFlow Lite модели на различни крайни устройства.
- Използвайте инструменти и техники за преобразуване и оптимизиране на модела.
- Внедрете практически Edge AI приложения с помощта на TensorFlow Lite.
Optimizing AI Models for Edge Devices
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици на AI на средно ниво, инженери по машинно обучение и системни архитекти, които желаят да оптимизират AI модели за крайно внедряване.
До края на това обучение участниците ще могат:
- Разберете предизвикателствата и изискванията при внедряването на AI модели на крайни устройства.
- Прилагайте техники за компресиране на модели, за да намалите размера и сложността на AI моделите.
- Използвайте методи за квантуване, за да подобрите ефективността на модела на крайния хардуер.
- Приложете съкращаване и други техники за оптимизация, за да подобрите производителността на модела.
- Внедрете оптимизирани AI модели на различни крайни устройства.
Edge AI in Industrial Automation
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към индустриални инженери на средно ниво, професионалисти в производството и разработчици на AI, които желаят да внедрят решения на Edge AI в индустриалната автоматизация.
До края на това обучение участниците ще могат:
- Разберете ролята на Edge AI в индустриалната автоматизация.
- Внедрете решения за предсказуема поддръжка с помощта на Edge AI.
- Прилагайте AI техники за контрол на качеството в производствените процеси.
- Оптимизирайте индустриалните процеси с помощта на Edge AI.
- Внедрете и управлявайте Edge AI решения в индустриални среди.
Edge AI for Financial Services
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към финансови професионалисти на средно ниво, финтех разработчици и AI специалисти, които желаят да внедрят Edge AI решения във финансовите услуги.
До края на това обучение участниците ще могат:
- Разберете ролята на Edge AI във финансовите услуги.
- Внедрете системи за откриване на измами с помощта на Edge AI.
- Подобрете обслужването на клиентите чрез решения, управлявани от AI.
- Приложете Edge AI за управление на риска и вземане на решения.
- Внедрете и управлявайте Edge AI решения във финансови среди.
Deep Learning Neural Networks with Chainer
14 ЧасаТова водено от инструктор обучение на живо в България (онлайн или на място) е насочено към изследователи и разработчици, които желаят да използват Chainer за изграждане и обучение на невронни мрежи в Python, като същевременно правят кода лесен за отстраняване на грешки.
До края на това обучение участниците ще могат:
- Настройте необходимата среда за разработка, за да започнете да разработвате модели на невронни мрежи.
- Дефинирайте и внедрявайте модели на невронни мрежи, като използвате разбираем изходен код.
- Изпълнявайте примери и модифицирайте съществуващите алгоритми, за да оптимизирате моделите за обучение за задълбочено обучение, като същевременно използвате GPU за висока производителност.